基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法技术

基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，涉及锂离子电池健康状态检测技术领域。本发明专利技术是为了解决现有的基于融合模型的锂离子电池剩余寿命预测方法，存在非线性退化过程拟合能力差、不同工作状态适应能力低的问题。本发明专利技术通过建立GRU‑RNN深度网络模型，利用GRU深度学习模型在时间序列上强大的特征提取能力，对锂离子电池容量退化特征进行提取，从而获取更加准确的电池容量预测模型，最后通过KF滤波方法减小了噪声，获取了更加精确的预测值。

Residual Life Prediction of Lithium Ion Batteries Based on Gated Cycle Unit Neural Network and Kalman Filter Model Fusion

【技术实现步骤摘要】
基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法
本专利技术属于锂离子电池健康状态检测
，尤其涉及电池寿命的预测技术。
技术介绍
目前针对锂离子电池剩余寿命(RemainingUsefulLife，RUL)预测的方法大致分为基于物理模型和基于数据驱动模型两类。其中数据驱动方法无须明确电池的退化机理，因而相关的研究更为深入。数据驱动方法中包含有一类基于统计滤波的统计数据驱动方法和另一类基于机器学习方法的数据驱动方法。基于统计滤波的数据驱动方法所使用的锂离子电池退化模型较为单一，对不同类型电池及不同使用条件下的寿命预测问题适应性较差。基于机器学习方法的数据驱动方法仅关注于数据之间的关联，对于待测锂电池的特性考虑较少。目前，将统计滤波方法与数据驱动模型融合的电池剩余寿命预测方法被广泛研究，但目前的这些方法均存在非线性退化过程拟合能力差、不同工作状态适应能力低等问题。
技术实现思路
本专利技术是为了解决现有的基于融合模型的锂离子电池剩余寿命预测方法，存在非线性退化过程拟合能力差、不同工作状态适应能力低的问题，现提供基于门控循环单元(GatedRecurrentUni本文档来自技高网...

【技术保护点】
1.基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，其特征在于，步骤一、利用训练用锂离子电池每个充放电周期中电池容量数据构造数据集，并将数据集中的数据作为训练数据；步骤二、利用训练数据构造GRU模型的训练集；步骤三、将训练集代入GRU模型中、并利用BP算法对GRU模型中的网络参数进行训练，获得训练后的GRU模型；步骤四、利用待预测锂离子电池第k个充放电周期中电池容量数据构造输入向量；步骤五、将输入向量代入步骤三获得的GRU模型中，获得待预测锂离子电池第k+1个充放电周期电池容量的预测值；步骤六、判断步骤五获得的预测值是否小于等于待预测锂离子电池额定容量的80％，是则执...

【技术特征摘要】
1.基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，其特征在于，步骤一、利用训练用锂离子电池每个充放电周期中电池容量数据构造数据集，并将数据集中的数据作为训练数据；步骤二、利用训练数据构造GRU模型的训练集；步骤三、将训练集代入GRU模型中、并利用BP算法对GRU模型中的网络参数进行训练，获得训练后的GRU模型；步骤四、利用待预测锂离子电池第k个充放电周期中电池容量数据构造输入向量；步骤五、将输入向量代入步骤三获得的GRU模型中，获得待预测锂离子电池第k+1个充放电周期电池容量的预测值；步骤六、判断步骤五获得的预测值是否小于等于待预测锂离子电池额定容量的80％，是则执行步骤七，否则使k＝k+1，然后返回步骤四；步骤七、将预测值对应充放电周期与电池实际充放电周期的差值作为待预测锂离子电池剩余寿命。2.根据权利要求1所述的基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，其特征在于，步骤二中所述的GRU模型的训练集表示为[xtrain,ytrain]，其中：上式中，Ca...

【专利技术属性】
技术研发人员：刘大同，彭喜元，李律，宋宇晨，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23